Caractères incorrects dans les propriétés de document provenant de fichiers PDF
Le processus d'affichage ou d'impression de contenu à l'aide d'une police de caractères sur une page PDF peut utiliser une variété d'encodages. Le processus d'extraction de texte à partir d'une page PDF nécessite un mappage UNICODE à partir d'un caractère de page codé vers un point de code Unicode.
Pour extraire le contenu d'un fichier PDF vers UNICODE, les polices incluent une table qui mappe chaque caractère PDF avec son équivalent UNICODE. Certaines polices comprennent plusieurs caractères semblables. Par exemple, une police peut inclure un tiret, un signe moins et un trait d'union. Bien qu'ils soient très semblables, chacun d'eux est un caractère différent et est dessiné légèrement différemment. Chacun d'entre eux a également un point de code UNICODE différent. La table de mappage détermine quel caractère UNICODE est utilisé.
Lorsque RICOH ProcessDirector extraie les valeurs des propriétés de document à partir d'un fichier PDF à l'aide d'un fichier de contrôle créé dans Plug-in RICOH ProcessDirector pour Adobe Acrobat, il lit la valeur en UNICODE. La valeur est ensuite enregistrée dans le fichier de propriétés du document (DPF), qui requiert que les données soient encodées au format UTF-8. Le format UTF-8 utilise des séquences de caractères de plusieurs octets pour représenter les points de code UNICODE en dehors de la plage de codage ASCII. Par conséquent, la valeur est convertie en caractère équivalent UNICODE lorsqu'elle est ajoutée au fichier DPF.
Des problèmes peuvent survenir lorsque les valeurs du DPF sont réécrites dans le fichier PDF. Si les caractères UNICODE n'ont pas d'équivalent PDF dans la police, des caractères incorrects sont insérés. Ces problèmes surviennent le plus souvent avec les polices en sous-ensemble et Identity-H. Des problèmes supplémentaires peuvent survenir lorsque vous recherchez des caractères explicites, mais que les points de code UNICODE dans le DPF ne sont pas les caractères attendus.
La solution idéale consiste à mettre à jour le fichier PDF d'entrée pour qu'il inclue
des polices complètes au lieu de sous-ensembles. Une autre option consiste à ajouter
une étape à votre flux de travail qui corrige les propriétés DPF. RICOH ProcessDirector fournit un script Perl appelé native2ascii.pl qui peut être utilisé pour normaliser le fichier DPF en un encodage de caractères
ASCII. Les points de code UNICODE qui ont été encodés en UTF-8 sont normalisés sous
la forme \u####. Un éditeur ou un script de filtrage peut être utilisé pour convertir
le caractère posant un problème du code UNICODE \u###### en caractère ASCII réel requis.
Une fois la version ASCII du DPF mise à jour, utilisez native2ascii.pl pour reconvertir le DPF au codage UTF-8 requis.
Le script native2ascii.pl convertit le texte en Unicode Latin-1. Le script est stocké dans /aiw/aiw1/bin.
Pour voir les instructions d'utilisation du script, ouvrez une invite de commande sur l'ordinateur principal et tapez : native2ascii.pl -h